ACtriplet: Un modelo de aprendizaje profundo mejorado para la predicción de acantilados de actividad mediante la...

Área de la Ciencia:

• Química computacional
• Descubrimiento de drogas
• Aprendizaje automático

Sus antecedentes:

• Los acantilados de actividad (AC) son críticos para optimizar las estructuras moleculares, pero plantean desafíos para los modelos de relación estructura-actividad (SAR).
• Los modelos de aprendizaje profundo (DL) existentes a menudo luchan para predecir con precisión la potencia de los AC.
• Es necesario mejorar los enfoques de DL para aprovechar mejor los datos para la predicción de CA.

Objetivo del estudio:

• Desarrollar un nuevo modelo de aprendizaje profundo, ACtriplet, diseñado específicamente para predecir acantilados de actividad.
• Mejorar la precisión de la predicción de la potencia molecular para compuestos similares con diferencias estructurales menores.
• Mejorar la utilización de los datos existentes en las primeras etapas del descubrimiento y optimización de fármacos.

Principales métodos:

• Pérdida triple integrada, comúnmente utilizado en el reconocimiento facial, con una estrategia de pre-entrenamiento.
• Desarrolló el modelo de predicción ACtriplet adaptado a los acantilados de actividad.
• Se realizaron comparaciones extensas con múltiples modelos de aprendizaje profundo de referencia en 30 conjuntos de datos de referencia.

Principales resultados:

• ACtriplet demostró un rendimiento significativamente superior en comparación con los modelos de aprendizaje profundo sin entrenamiento previo.
• Exploró y analizó el efecto de la capacitación previa en la representación de datos.
• Un estudio de caso confirmó la capacidad del módulo de interpretabilidad para explicar razonablemente los resultados de la predicción.

Conclusiones:

• El modelo ACtriplet ofrece un marco innovador para hacer un mejor uso de los datos existentes en el descubrimiento de medicamentos.
• Este enfoque puede impulsar el potencial del aprendizaje profundo en el descubrimiento y la optimización de fármacos en etapas tempranas, especialmente cuando los datos son limitados.
• La interpretabilidad del modelo mejora la confianza y la comprensión en el diseño molecular impulsado por IA.